[发明专利]基于EEG时域多维度特征及M-WSVM的睡眠分期方法及可穿戴装置

权利要求书

1.一种基于EEG时域多维度特征及M-WSVM的睡眠分期方法，其特征在于，包括以下步骤：

步骤1：获取EEG连续时间信号；

步骤2：提取EEG连续时间信号的时域多维度特征；

步骤2的具体实现包括以下子步骤：

步骤2.1：按照预设时间长度划分一个数据样本，将获取的EEG连续时间信号进行幅度-时间映射，通过幅度轴映射获得数据样本中的数值点、数值点数目、数值点间隔的特征信息，并通过时间轴映射获得原始信号、峰值点和众数点的特征信息；

步骤2.2：对幅度轴映射信息提取映射数值的数目、映射数值点平均、映射数值点平均间隔及标准差、各数值点数目的平均及标准差、各数值点间隔的平均及标准差的信号样本特征；

对时间轴映射信息提取原始信号的最大值、最小值、均值、范围、活动性Activity、移动性Mobility、复杂性Complexity的样本特征；提取峰值点的数目、范围、均值、标准差、间隔的平均、间隔的标准差的样本特征；提取众数点的数目、众数间隔的平均、众数间隔标准差的样本特征；

在提取的特征中，原始信号的最大值、最小值、范围、均值特征表征了EEG信号变化的时域特性，峰值点的数目、间隔的平均、标准差特征表征了EEG信号变化的频域特性，映射数值点的数目、均值、平均间隔特征表征了EEG信号变化的时频域特性；

步骤2.3：将提取的表征时域、频域及时频域不同特性的信号特征进行组合，通过利用不同的时域多维度特征混合计算的方式，从而提取表征时频域综合特性的样本特征，其中包括数据样本中映射数值点数目与信号范围的数据信息比值、非峰值点信号的均值、数据样本的众数与原始信号的平均值的差；

步骤3：对提取信号特征进行选择，以获得最优的信号的特征；

步骤4：利用M-WSVM算法对不同分类层次的睡眠阶段进行分析与处理，实时进行睡眠分期的监测。

2.根据权利要求1所述的基于EEG时域多维度特征及M-WSVM的睡眠分期方法，其特征在于，步骤3的具体实现包括以下子步骤：

步骤3.1：根据提取及选择的最优信号特征，建立EEG信号样本特征的数据集，并计算信号特征的核；

步骤3.2：判断是否有约简特征核；

若否，则直接执行下述步骤3.3；

若是，则输出约简的信号样本特征，建立新的信号特征样本数据集；

步骤3.3：计算样本特征的类间距和；

步骤3.4：计算样本特征的类内距离标准差和；

步骤3.5：判断是否遍历所有特征；

若是，则执行下述步骤3.6；

若否，则回转执行步骤3.3；

步骤3.6：计算Pawlak属性重要度；

步骤3.7：结合每个特征的Pawlak属性重要度构建特征分类能力的评价标准A_m；

其中，sig_m为样本特征m的Pawlak属性重要度，反映样本特征对总体数据样本的分类能力；n为分类的睡眠状态数，μ_i为第i类样本的中心，ω_i为第i类睡眠状态的数据样本集，评价标准的分式部分表示第m个特征对数据样本类间距离和与各类内中心距离标准差总和的比值；

步骤3.8：根据A_m值大小对提取特征进行排序，采用逐步增加特征的方法测试分类能力，并选择最优的信号特征。